Minimum Volume Conformal Sets for Multivariate Regression
多元回归的最小体积保形预测集AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用多元回归预测集，未涉及经济预测任务或分位数与分布效应，细分证据不足。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
多元回归的最小体积保形预测集
- 研究问题
- 多元响应回归中，如何构造具有有效覆盖率的预测集，同时直接优化集合体积，并兼顾几何灵活性与计算效率？
- 方法与思路
- 作者以新损失函数学习最小体积覆盖集，诱导适应残差分布和协变量的不符合度分数，并联合优化预测模型与不确定性。
- 材料陈述的贡献
- 摘要称框架支持任意范数球及单范数、多范数形式，在保持有效覆盖的同时优化体积，并在真实数据实验中展示紧致性与效率。
- 阅读关注点
- 应核对覆盖保证所需的交换性或其他条件、训练与校准数据如何使用，以及最小体积的优化范围和联合训练的计算代价。
- 阅读边界
- 仅据所给OpenAlex摘要版本，不能推断后续刊本变化。摘要未明确覆盖是边际还是条件保证，也未说明最小体积是否为全局最优。
原文摘要
Conformal prediction provides a principled framework for constructing predictive sets with finite-sample validity. While much of the focus has been on univariate response variables, existing multivariate methods either impose rigid geometric assumptions or rely on flexible but computationally expensive approaches that do not explicitly optimize prediction set volume. We propose an optimization-driven framework based on a novel loss function that directly learns minimum-volume covering sets while ensuring valid coverage. This formulation naturally induces a new nonconformity score for conformal prediction, which adapts to the residual distribution and covariates. Our approach optimizes over prediction sets defined by arbitrary norm balls—including single and multi-norm formulations. Additionally, by jointly optimizing both the predictive model and predictive uncertainty, we obtain prediction sets that are tight, informative, and computationally efficient, as demonstrated in our experiments on real-world datasets.